# Agentic AI im Enterprise skalieren: Wie das Agentic Multiplayer Protocol (AMP) Kontext und Governance verbindet

> KI im Unternehmen skalieren: Erfahre, wie gemeinsamer Kontext, Berechtigungen und Atlassians AMP den Einsatz von KI-Agenten unterstützen.

Source: https://www.xalt.de/blog/ki-im-unternehmen-skalieren-agenten-zusammenarbeit/

TEAM XALT Atlassian Platinum Partner 30.10.2026

Wenn du gerade KI-Agenten in deinem Unternehmen testest, kennst du wahrscheinlich dieses Muster: Der Pilot beeindruckt, das Team sammelt erste Erfolge – und sobald mehrere Bereiche, Datenquellen und Compliance-Vorgaben ins Spiel kommen, wird aus Tempo schnell Komplexität. Genau hier scheitert die Skalierung von Agentic AI im Enterprise-Bereich. Laut [Gartner](https://www.gartner.com/en/newsroom/press-releases/gartner-survey-finds-only-22-percent-of-organizations-have-successfully-scaled-ai-across-multiple-business-units) hatten im Jahr 2026 nur 22 Prozent der befragten Organisationen KI erfolgreich über mehrere Geschäftsbereiche hinweg skaliert oder einen AI-first-Ansatz etabliert.

Das Problem liegt selten am fehlenden Modell. Es liegt an fragmentiertem Kontext, unklaren Berechtigungen, fehlender Nachvollziehbarkeit und einer Governance, die erst nach dem Pilot dazukommt. Atlassians **Agentic Multiplayer Protocol (AMP)** setzt genau an diesen Punkten an.

In diesem Artikel zeigen wir dir, wie sich daraus ein belastbares Betriebsmodell für Menschen und KI-Agenten entwickeln lässt.

## Warum Enterprise AI beim Skalieren ins Stocken gerät

Ein einzelner Assistent in einem begrenzten Team lässt sich vergleichsweise leicht kontrollieren. In einer Enterprise-Landschaft kommen jedoch mehrere Tools, Identitäten, Datenklassen, Fachbereiche und regulatorische Anforderungen zusammen. Typische Stolpersteine sind:

- **Der Kontext bleibt in einzelnen Tools gefangen.** Ein Coding-Agent kennt die Änderung im Repository, der Jira-Agent kennt das Ticket und Confluence enthält die Architekturentscheidung. Ohne Verbindung arbeitet jeder Agent mit einem Ausschnitt.
- **Berechtigungen sind schwer nachvollziehbar.** Teams wissen nicht immer, ob ein Agent mit den Rechten des auslösenden Nutzers, eines Service Accounts oder mit einer eigenen Identität handelt.
- **Aktionen verschwinden in Black Boxes.** Wenn Ergebnisse aus isolierten Chats kopiert werden, fehlen Verlauf, Quelle und Begründung. Das erschwert Reviews und Audits.
- **Menschliche und KI-Handlungen sind nicht klar getrennt.** Rechtliche und regulatorische Vorgaben verlangen zunehmend eine klare Unterscheidung und Trennung von menschlichen Aktionen gegenüber KI-Handlungen. Im Enterprise-Kontext betrifft dies typischerweise Transparenz-, Kennzeichnungs- und Dokumentationspflichten, wie sie etwa im EU AI Act sowie in internen Compliance-Richtlinien gefordert werden. Fehlt diese Trennung, lassen sich Verantwortlichkeiten im Prüfungsfall kaum belegen.
- **Shadow AI wächst schneller als die Governance.** Fachbereiche schaffen produktive Abkürzungen, während IT, Datenschutz und Informationssicherheit keine vollständige Sicht auf Datenflüsse und externe Tools haben.
- **Pilotprozesse werden ungeprüft vervielfacht.** Ein funktionierender Use Case wird auf weitere Teams übertragen, obwohl Datenqualität, Rollenmodell und Eskalationswege noch nicht geklärt sind.
- **Erfolg wird über Aktivität statt über Wirkung gemessen.** Zahlreiche Prompts oder Agenten sagen wenig über Durchlaufzeit, Qualität, Risiko und den tatsächlichen Geschäftswert aus.

Die Folge: Unternehmen bremsen entweder aus Sorge vor Risiken oder sie skalieren unkontrolliert und schaffen neue technische sowie organisatorische Schulden.

## Was braucht Enterprise AI für die Skalierung?

![Sechs Grundlagen für skalierbare Enterprise-KI: messbarer Geschäftsnutzen, Kontext, Identität, Berechtigungen, Audit und Betriebsstandards.](https://cdn.sanity.io/images/c475o02b/production/22fb0ff7fa83e0be847819dce317d45195167dd0-2000x460.png?w=1504&q=75&fit=max&auto=format)

Skalierbare Enterprise AI verbindet sechs Grundlagen: einen klaren Geschäftszweck, gemeinsamen und aktuellen Kontext, eindeutige Identitäten, begrenzte Berechtigungen, Audit und menschliche Kontrolle sowie Standards für den Betrieb. Diese Elemente bilden gemeinsam ein Betriebsmodell für Menschen, Agenten und die Systeme, auf die beide zugreifen.

### 1. Geschäftszweck und messbarer Nutzen

Jeder Agent braucht eine klar begrenzte Aufgabe. Ein guter Use Case beschreibt Eingaben, gewünschte Ergebnisse, Verantwortliche und Erfolgskriterien. So wird früh sichtbar, ob ein Agent einen echten Prozess verbessert oder lediglich zusätzliche Aktivität erzeugt.

### 2. Gemeinsamer und aktueller Kontext

Agenten benötigen Zugriff auf die für ihre Aufgabe relevanten Informationen. Dazu gehören Dokumente, Tickets, Entscheidungen, Code, Assets und Zuständigkeiten. Dieser Kontext braucht nachvollziehbare Quellen, aktuelle Inhalte und eine verständliche Beziehung zwischen den Objekten.

### 3. Eindeutige Identität

Jeder Agent sollte als handelnder Akteur erkennbar sein. Eine eigene Identität erleichtert die Zuweisung von Rechten, die Auswertung von Protokollen und das Stoppen einzelner Agenten. Wenn ein Agent im Namen eines Nutzers handelt, muss dieser Modus ebenfalls klar erkennbar sein.

### 4. Begrenzte Berechtigungen

Lesen, Entwürfe erstellen, interne Daten verändern und externe Kommunikation auslösen sind unterschiedliche Risikostufen. Das Berechtigungsmodell sollte diese Stufen abbilden. Kritische Aktionen erfordern gezielte Freigaben, während risikoarme Aufgaben stärker automatisiert werden können.

### 5. Audit und menschliche Kontrolle

Teams müssen sehen können, was ein Agent getan hat und auf welcher Grundlage. Zusätzlich braucht jeder kritische Workflow definierte Review-, Eskalations- und Stop-Punkte. Der Mensch bleibt dort eingebunden, wo Auswirkungen, Unsicherheit oder regulatorische Anforderungen es verlangen.

### 6. Standards für den Betrieb

Mit jedem neuen Agenten steigt der Aufwand für Tests, Versionierung, Monitoring und Kostenkontrolle. Wiederverwendbare Standards für diese Bereiche verhindern, dass jedes Team seine eigene Betriebslogik entwickelt.

## Agentic Multiplayer Protocol von Atlassian als Beispiel für ein Enterprise-Betriebsmodell

![Drei AMP-Ebenen: Zusammenarbeit im Arbeitsfluss, Agentenidentitäten sowie gemeinsamer Kontext und Governance.](https://cdn.sanity.io/images/c475o02b/production/3a14f36b8faeb013ac7d0d7e35c3d7c8bd6a9472-2400x848.png?w=1504&q=75&fit=max&auto=format)

Atlassian greift diese Herausforderungen mit dem **Agentic Multiplayer Protocol (AMP)** auf, einem Rahmenwerk für die Zusammenarbeit zwischen Menschen und KI-Agenten innerhalb und außerhalb der Atlassian-Plattform. Es verbindet drei Ebenen: Zusammenarbeit im Arbeitsfluss, sichtbare Agentenidentitäten sowie einen gemeinsamen Kontext mit Governance. Menschen bleiben für wesentliche Entscheidungen verantwortlich; Agenten unterstützen und handeln innerhalb definierter Grenzen.

AMP ist deshalb als Betriebsmodell zu verstehen, das mehrere Plattformbausteine und Verantwortlichkeiten verbindet. Die Bausteine greifen ineinander:

- **Zusammenarbeit im Arbeitsfluss:** Agenten werden in Jira, Confluence, Loom, Automationen oder über MCP eingebunden.
- **Identität und Zuordnung:** Aktionen sollen einem klaren Agenten oder dem auslösenden Nutzer zugeordnet werden können.
- **Gemeinsamer Kontext:** Der Teamwork Graph verbindet Arbeit, Wissen, Personen, Kommunikation, Code, Assets und Daten.
- **Berechtigungen:** Bestehende Zugriffsregeln und Richtlinien begrenzen, welche Inhalte und Tools ein Agent nutzen darf.
- **Nachvollziehbarkeit:** Aktivitäten werden dokumentiert, damit Teams Ergebnisse prüfen und Verantwortlichkeiten klären können.
- **Offenes Ökosystem:** Auch externe Agenten und KI-Clients können über Atlassian MCP mit freigegebenem Kontext arbeiten.

Die [offizielle AMP-Beschreibung von Atlassian](https://www.atlassian.com/platform/agentic-multiplayer-protocol) fasst dieses Ziel als „multiplayer human-agent work“ zusammen: Menschen und Agenten arbeiten mit gemeinsamem Kontext und unter gemeinsamen Regeln.

### Wie AMP Governance und Compliance unterstützt

AMP zielt dabei ausdrücklich auf regulatorische Vorgaben ab, die eine klare **Unterscheidung und Trennung von menschlichen Aktionen gegenüber KI-Handlungen** verlangen („supports regulatory requirements to separate AI vs human actions“).

Compliance lässt sich bei Agentic AI nicht auf eine Freigabe vor dem Go-live reduzieren. Ein Agent kann Daten lesen, Inhalte erzeugen, Tools aufrufen und Arbeitsschritte auslösen. Deshalb müssen Unternehmen jede dieser Fähigkeiten kontrollieren und nachvollziehen können.

AMP liefert dafür einen sinnvollen Ordnungsrahmen:

- **Identität:** Wer oder was hat gehandelt? AMP führt Agenten als eigenständige **nicht-menschliche Identitäten (Non-Human Identities)** mit benutzerähnlichen Konten (user-like accounts), Gruppen- und Produktzugriffsrechten. Dadurch ist geregelt, wer oder was handelt, und die Verantwortlichkeit (Accountability) bleibt gewahrt.
- **Berechtigung:** Welche Daten und Aktionen waren erlaubt?
- **Kontext:** Auf welcher Informationsgrundlage wurde entschieden?
- **Nachvollziehbarkeit:** Welche Schritte und Ergebnisse sind dokumentiert? Durch die Identitätsbindung und die Protokollierung von Agentenaktionen werden Arbeitsergebnisse und Tool-Aufrufe rückverfolgbar („increases traceability and responsibility for outputs“).
- **Kontrolle:** Wo braucht es menschliche Prüfung, Freigabe oder Eskalation?

Erst durch diesen Governance- und Identitätsrahmen werden KI-Agenten für regulierte Unternehmenseinsätze einsatzbereit (enterprise-ready). Technisch stützt sich dieser Rahmen unter anderem auf Atlassian Guard, Datenklassifizierung, Data Security Policies, Admin-Kontrollen und Audit Logs. Der Atlassian MCP Server verbindet externe KI-Clients mit Atlassian-Tools unter zentralen Governance-Vorgaben.

Wichtig für deine Planung: Verfügbarkeitsstände unterscheiden sich. **EU AI Inference** ist laut Atlassian derzeit Early Access und erfordert eine Registrierung. Einzelne Funktionen rund um Agent Accounts (die oben genannten benutzerähnlichen Konten) und zentrale Inventarisierung werden schrittweise ausgerollt oder sind angekündigt. Prüfe daher vor jeder Architekturentscheidung den aktuellen Stand deines Plans und deiner Instanz. Eine Ankündigung belegt noch keine produktive Verfügbarkeit.

### Governance ist eine geteilte Verantwortung

![Vier Rollen teilen sich die AMP-Governance: Org Admin, Agenten-Owner, Projekt- und Space-Admins sowie Nutzer.](https://cdn.sanity.io/images/c475o02b/production/7ddbffe585546c3a807d2b93b3a756db07afbfcb-2880x1024.png?w=1504&q=75&fit=max&auto=format)

Ein sauberer rechtlicher und organisatorischer Rahmen erfordert klare Leitplanken auf Organisationsebene (Admin-Guardrails), korrekte Konfigurationen durch Agenten-Owner und bewusste Verantwortung bei den Nutzern. Eine skalierbare Agentenlandschaft braucht klare Zuständigkeiten. Der Org-Admin setzt den Rahmen: zugelassene Produkte und KI-Clients, Standardzugriffe, Konnektoren, Datenrichtlinien und übergreifende Kontrollen. Agenten-Owner gestalten den konkreten Auftrag, wählen Tools, testen Änderungen und pflegen Versionen. Projekt- und Space-Admins steuern über bestehende Berechtigungen, welche Inhalte in ihrem Bereich erreichbar sind. Die Nutzer wiederum prüfen Ergebnisse, geben kritische Schritte frei und melden unerwartetes Verhalten.

Dieses Zusammenspiel verhindert zwei häufige Fehlentwicklungen. Einerseits sollte die zentrale IT nicht jede fachliche Entscheidung allein treffen müssen. Andererseits dürfen Fachbereiche keine Agenten mit weitreichenden Rechten betreiben, deren Datenzugriffe und Auswirkungen außerhalb des Blickfelds von Security und Compliance liegen.

Für die Praxis hilft eine einfache Verantwortungsmatrix pro Agent:

- Wer ist fachlich für den Use Case verantwortlich?
- Wer genehmigt Datenquellen und Berechtigungen?
- Wer prüft Änderungen am Prompt, an Tools oder am Modell?
- Wer überwacht Qualität, Kosten und Audit-Ereignisse?
- Wer kann den Agenten im Störungsfall stoppen?

Wenn diese fünf Fragen unbeantwortet bleiben, ist der Agent noch nicht bereit für eine breitere Nutzung.

## Fazit für Enterprise-Teams

Zusammenfassend lässt sich sagen:

- **Skalierung ist eine Betriebsaufgabe:** Modelle liefern Fähigkeiten; Prozesse, Rollen und Kontrollen machen sie im Unternehmen nutzbar.
- **Kontext braucht Struktur und Berechtigungen:** Verbundene Daten erhöhen den Nutzen, wenn Qualität und Zugriff sauber geregelt sind.
- **Agenten brauchen Identität und Grenzen:** Eindeutige Zuordnung, begrenzte Rechte und Auditierbarkeit schaffen Vertrauen.
- **Plattformmodelle können die Umsetzung beschleunigen:** AMP zeigt, wie Zusammenarbeit, Kontext und Governance technisch zusammengeführt werden können.

Unternehmen schaffen die beste Ausgangslage, wenn sie ihre Daten-, Berechtigungs- und Prozessbasis vor dem breiten Rollout aufräumen. Ein kleiner, messbarer Pilot liefert dafür mehr Orientierung als eine Vielzahl unverbundener Experimente.

Bevor du weitere Agenten freischaltest, lohnt sich ein gemeinsamer Blick auf einen konkreten Prozess. In einem **Agentic-AI-Governance-Workshop** identifizieren wir mit dir einen geeigneten Pilot-Use-Case, kartieren Daten und Berechtigungen und definieren die wichtigsten Kontroll- und Erfolgskriterien.

## KI-Agenten für deine Teams nutzbar machen

Besprich mit uns, welcher Anwendungsfall und welche Leitplanken zu deinem Unternehmen passen.

[Kontaktiere XALT](https://www.xalt.de/kontakt/)

## Weitere Beiträge

### [Wenn die KI rät: Ein Agent, eine falsche Diagnose, fünf Regeln](https://xalt-northstar.com/blog/when-the-ai-guesses/)

Ein KI-Agent erklärt ein Zugangsproblem selbstsicher und falsch. Was Henry daraus gelernt hat und welche fünf Regeln für Agenten mit Systemzugriff gelten.

*Enterprise AI*

### [Change Management bei der KI-Einführung: Dumme Fragen erwünscht](https://www.xalt.de/blog/change-management-ki-einfuehrung/)

Die größte Hürde bei der KI-Einführung ist selten die Technik. Warum sich jeder trauen muss, dumme Fragen zu stellen, und warum Lerntempo mehr zählt als Vorwissen.

*Enterprise AI*

### [OpenClaw Multiplayer im Unternehmen: Ein Agent, ein Kontext, ein Team](https://www.xalt.de/blog/openclaw-multiplayer-im-unternehmen/)

OpenClaw Multiplayer lässt ein ganzes Team mit demselben Agenten und demselben Kontext arbeiten. Was das im Unternehmen löst, wo die Grenzen liegen und wie du den Pilot aufsetzt.

*Enterprise AI*

---

*Diese Fassung ist für KI-Agenten. Jede Seite dieser Website gibt es als Markdown: Header `Accept: text/markdown` senden oder `index.md` an den Pfad hängen. Übersicht der Hauptseiten: [llms.txt](https://www.xalt.de/llms.txt). Alle Seiten: [sitemap.xml](https://www.xalt.de/sitemap.xml)*